Использование xECGArch для точного и интерпретируемого обнаружения мерцания предсердий в анализе ЭКГ
Глубокие методы обучения показывают отличные результаты в обнаружении сердечно-сосудистых заболеваний по данным ЭКГ, превосходя или равняясь в диагностической эффективности специалистам в области здравоохранения. Однако их “черный ящик” ограничивает клиническое использование из-за недостаточной интерпретируемости. Методы объяснимого искусственного интеллекта (xAI), такие как карты выдач и механизмы внимания, пытаются разъяснить модели, выделяя ключевые признаки ЭКГ. Несмотря на высокую точность, многие модели тестируются на ограниченных наборах данных, возникают вопросы о надежности в разнообразных клинических сценариях. Эти модели должны обеспечивать точные прогнозы и надежные интерпретируемые выводы для их реальной клинической интеграции.
Практические решения и ценность:
Исследователи Института биомедицинской инженерии Технического университета Дрездена разработали глубокую архитектуру обучения, xECGArch, для интерпретируемого анализа ЭКГ. xECGArch уникально разделяет короткосрочные (морфологические) и долгосрочные (ритмические) признаки ЭКГ с использованием двух независимых сверточных нейронных сетей (CNN). Архитектура была оптимизирована для обнаружения мерцания предсердий (AF) по четырем общедоступным базам данных ЭКГ и достигла F1-оценки 95,43% на невидимых данных. Глубокое декомпозиция Тейлора была выявлена как наиболее надежный метод xAI среди 13 протестированных методов. Этот подход повышает интерпретируемость и надежность классификации ЭКГ, сокращая разрыв между клиническими потребностями и автоматизированным анализом.
Архитектура xECGArch, разработанная для анализа ЭКГ, интегрирует две независимые 1D CNN, фокусирующиеся на короткосрочных и долгосрочных признаках ЭКГ, необходимых для интерпретации морфологических и ритмических паттернов. Короткосрочная сеть анализирует быстрые, уровень ударов с временным окном 0,6 секунды, в то время как долгосрочная сеть охватывает весь 10-секундный сигнал ЭКГ для захвата более широкой ритмической информации. Обе сети используют глобальное усреднение (GAP), чтобы уменьшить входные размеры перед классификацией через слой softmax, улучшая эффективность и производительность. Для обеспечения устойчивости и интерпретируемости xECGArch прошла обширную настройку гиперпараметров и перекрестную проверку. Различные методы xAI были использованы и оценены на интерпретируемость, включая градиентные методы, методы декомпозиции, такие как глубокая декомпозиция Тейлора (DTD) и передача значимости по слоям (LRP), варианты GradCAM и значения SHAP. Эти методы предоставляют понимание принятия решений модели, выделяя соответствующие признаки и вклады в данных ЭКГ.
В заключение, xECGArch, объединяющий короткосрочные и долгосрочные CNN, улучшает обнаружение мерцания предсердий, используя различные временные признаки. Модель превосходит многие существующие методы, достигая высокой F1-оценки 95,43%. Методы объяснения, такие как DTD, оказались эффективными для интерпретации решений модели, выделяя соответствующие признаки ЭКГ, такие как P-волны для нормального ритма и неправильные комплексы QRS для мерцания предсердий. Этот многоуровневый подход улучшает диагностическую точность и интерпретируемость анализа ЭКГ.
